160 Prunus armeniaca
160.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xjhcgm
Format: SIMPLE_CSV
Download key: 0252687-230224095556074
Created: 2023-05-20T18:06:03.091+00:00
Modified: 2023-05-20T18:07:05.462+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252687-230224095556074.zip
Total records: 6103Conversion en objets géographiques (format Simple feature de sf) et
exploration rapide des données (classe du jeu de données et premières lignes du
tableau) :
Simple feature collection with 6103 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.161869 ymin: -43.793623 xmax: 176.219761 ymax: 67.166758
Geodetic CRS: WGS 84
# A tibble: 6,103 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 9 e8 85714c48-… https://her… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 8 e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 8 e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 6,093 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 6 103 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 160.1: Occurrences de Prunus armeniaca dans le monde.
160.1.1 Données par région
On évalue la proportion d’occurrences dans chaque région, en utilisant les 3 masques créés précédemment. Si on a au moins 50 % des occurrences dans une région, on peut continuer en travaillant uniquement sur ces données. Sinon, on vérifie qu’au moins 67 % des données tombent dans l’ensemble des régions, et on prend la région la plus représentée. Au final, s’il s’agit d’une espèce endémique d’Europe, on n’a pas besoin de manipulation supplémentaire.
[1] 0.855480911[1] 0.05112239882[1] 0.05620186793
Figure 160.2: Occurrence de Prunus armeniaca dans la région d’endémisme.
160.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
4935
CC_BY_NC_4_0
243
CC0_1_0
40
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1
https://creativecommons.org/licenses/by/4.0/legalcode
2 [1] 95.32656579
Figure 160.3: Occurrence de Prunus armeniaca dans la région d’endémisme, selon la licence : CC BY-NC en bleu ; CC0 et CC BY en orange.
Idéalement, on aimerait avoir au moins 50 % de données vraiment libres
d’utilisation (c’est-à-dire sans la clause -NC). On continue en supprimant les
données en CC BY-NC.
[1] 4977160.1.3 Sous-échantillonnage
Si le jeu de données contient 25 000 occurrences ou plus, on procède au sous-échantillonnage aléatoire pour en conserver un maximum de 25 000.
Simple feature collection with 4977 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -10.02608 ymin: 29.58058 xmax: 44.93734 ymax: 67.166758
Geodetic CRS: WGS 84
# A tibble: 4,977 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 8e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 8e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 4,967 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
160.2 Modélisation de la niche climatique
160.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 4977, 0 (geometries, attributes)
extent : -10.02608, 44.93734, 29.58058, 67.16676 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prar Data Formating -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
! Response variable is considered as only presences... Is it really what you want?
! No data has been set aside for modeling evaluation
!!! Some data are located in the same raster cell.
Please set `filter.raster = TRUE` if you want an automatic filtering.
Checking Pseudo-absence selection arguments...
> random pseudo absences selection
> Pseudo absences are selected in explanatory variables
! Some NAs have been automatically removed from your data
!!! Some data are located in the same raster cell.
Please set `filter.raster = TRUE` if you want an automatic filtering.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.formated.data -=-=-=-=-=-=-=-=-=-=-=-=-=-=
dir.name = Output
sp.name = prar
4976 presences, 0 true absences and 14855 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.508 Min. :-21.988 Min. :-9.538 Min. : 247.3
1st Qu.:20.902 1st Qu.: -8.778 1st Qu.: 9.590 1st Qu.: 611.3
Median :25.168 Median : -2.020 Median :13.203 Median : 738.7
Mean :25.684 Mean : -3.572 Mean :12.634 Mean : 757.6
3rd Qu.:29.116 3rd Qu.: 2.026 3rd Qu.:16.283 3rd Qu.: 902.4
Max. :45.128 Max. : 11.300 Max. :24.883 Max. :1354.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 7.788
1st Qu.: 174.0 1st Qu.: 24.352
Median : 216.0 Median : 32.356
Mean : 218.9 Mean : 36.832
3rd Qu.: 257.0 3rd Qu.: 42.023
Max. :1201.0 Max. :122.842
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 160.5: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
$data.vect
class : SpatVector
geometry : points
dimensions : 34835, 2 (geometries, attributes)
extent : -10.22917, 46.97917, 29.02083, 70.97917 (xmin, xmax, ymin, ymax)
coord. ref. :
names : resp dataset
type : <num> <chr>
values : 10 Initial dataset
10 Initial dataset
10 Initial dataset
$data.label
9 10
"**Presences**" "Presences (calibration)"
11 12
"Presences (validation)" "Presences (evaluation)"
19 20
"**True Absences**" "True Absences (calibration)"
21 22
"True Absences (validation)" "True Absences (evaluation)"
29 30
"**Pseudo-Absences**" "Pseudo-Absences (calibration)"
31 1
"Pseudo-Absences (validation)" "Background"
$data.plot
Figure 160.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
160.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prar_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prar_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prar_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prar Modeling Summary -=-=-=-=-=-=-=-=-=-=-=-=-=-=
6 environmental variables ( temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season )
Number of evaluation repetitions : 1
Models selected : GAM MARS MAXNET GBM ANN RF
Total number of model runs: 18
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=- Run : prar_PA1
-=-=-=--=-=-=- prar_PA1_RUN1
-=-=-=- Run : prar_PA2
-=-=-=--=-=-=- prar_PA2_RUN1
-=-=-=- Run : prar_PA3
-=-=-=--=-=-=- prar_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=160.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prar_PA1_RUN1_GAM PA1 RUN1 GAM TSS 697.0 86.812
2 prar_PA1_RUN1_GAM PA1 RUN1 GAM ROC 705.5 86.436
3 prar_PA1_RUN1_MARS PA1 RUN1 MARS TSS 638.0 84.627
4 prar_PA1_RUN1_MARS PA1 RUN1 MARS ROC 638.5 84.627
5 prar_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 433.0 84.552
6 prar_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 432.5 84.552
specificity calibration validation evaluation
1 61.552 0.483 0.468 NA
2 62.004 0.707 0.692 NA
3 88.825 0.735 0.746 NA
4 88.875 0.933 0.930 NA
5 88.774 0.733 0.743 NA
6 88.774 0.934 0.931 NA
Figure 160.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
160.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prar_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.461936
2 prar_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.315400
3 prar_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.010591
4 prar_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.102503
5 prar_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.057437
6 prar_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.016111
Figure 160.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 160.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
160.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prar
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prar_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=160.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prar_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prar_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 556.0 96.202 93.383
2 mergedAlgo TSS EMwmean ROC 553.5 96.282 93.336
calibration validation evaluation
1 0.896 NA NA
2 0.989 NA NA
Figure 160.11: Évaluation de la qualité du modèle d’ensemble : Aire sous la courbe de ROC & True Skill Statistic.
full.name merged.by.PA merged.by.run
1 prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo expl.var rand var.imp
1 mergedAlgo TSS EMcv temp_max_august 1 0.638533
2 mergedAlgo TSS EMcv temp_min 1 0.627315
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.350532
4 mergedAlgo TSS EMcv temp_season 1 0.505965
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.469321
6 mergedAlgo TSS EMcv prec_season 1 0.422699Par variable :
Figure 160.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 160.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
160.3 Projections
160.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prar/current
sp.name : prar
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prar/prar.AllModels.models.out )
models.projected :
prar_PA1_RUN1_GAM, prar_PA1_RUN1_MARS, prar_PA1_RUN1_MAXNET, prar_PA1_RUN1_GBM, prar_PA1_RUN1_ANN, prar_PA1_RUN1_RF, prar_PA2_RUN1_GAM, prar_PA2_RUN1_MARS, prar_PA2_RUN1_MAXNET, prar_PA2_RUN1_GBM, prar_PA2_RUN1_RF, prar_PA3_RUN1_GAM, prar_PA3_RUN1_MARS, prar_PA3_RUN1_MAXNET, prar_PA3_RUN1_GBM, prar_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 160.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 160.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prar/current
sp.name : prar
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prar/prar.AllModels.ensemble.models.out )
models.projected :
prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prar_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 160.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
160.3.2 Interpolation à l’échelle de la métropole
- → conditions climatiques favorables à fine échelle
On projette la niche climatique sur ce raster à fine échelle.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prar/cont_gre
sp.name : prar
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prar/prar.AllModels.models.out )
models.projected :
prar_PA1_RUN1_GAM, prar_PA1_RUN1_MARS, prar_PA1_RUN1_MAXNET, prar_PA1_RUN1_GBM, prar_PA1_RUN1_ANN, prar_PA1_RUN1_RF, prar_PA2_RUN1_GAM, prar_PA2_RUN1_MARS, prar_PA2_RUN1_MAXNET, prar_PA2_RUN1_GBM, prar_PA2_RUN1_RF, prar_PA3_RUN1_GAM, prar_PA3_RUN1_MARS, prar_PA3_RUN1_MAXNET, prar_PA3_RUN1_GBM, prar_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 160.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 160.18: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prar/cont_gre
sp.name : prar
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prar/prar.AllModels.ensemble.models.out )
models.projected :
prar_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prar_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 160.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
160.3.3 Distributions potentielles futures
Futur : Projection à l’échelle de l’Europe jusqu’à l’horizon 2100
Toutes les fenêtres temporelles × scénarios pour le GCM « IPSL-CM6A-LR »
- SSP1-2.6
Figure 160.20: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP1-2.6 (modèle d’ensemble).
On obtient pour la métrique TSS une carte unique de moyenne pondérée sur les algorithmes et sur les jeux de pseudo-absences.
- SSP2-4.5
Figure 160.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 160.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 160.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
160.4 Inférence à l’échelle de la métropole
- Croisement avec températures de surface 2019 (fournie par la métropole)
- → conditions climatiques favorables à fine échelle
- à peu près 7 pixels × 9 (WorldClim)
160.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 160.24: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP2-4.5
Figure 160.25: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP3-7.0
Figure 160.26: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP5-8.5
Figure 160.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
160.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <tab> <fct> <dbl>
1 73 347 533 537.6287 743 991 0 2000
2 115 520 692 671.4184 813 978 126 2040
3 187 504 666 647.6735 793 969 126 2060
4 205 521 733 689.6488 837 962 126 2080
5 176 503 660 650.2812 813 955 126 2100
6 165 560 726 700.8737 823 972 245 2040
7 221 518 719 670.4896 812 955 245 2060
8 345 527 752 703.3900 841 955 245 2080
9 187 516 702 652.8160 779 943 245 2100
10 123 516 684 663.3726 802 977 370 2040
11 229 515 705 660.1769 799 956 370 2060
12 203 523 706 657.6894 773 951 370 2080
13 329 513 548 584.4023 691 855 370 2100
14 159 519 699 674.2905 817 977 585 2040
15 258 527 736 685.0142 807 940 585 2060
16 216 526 586 620.0437 739 881 585 2080
17 355 470 497 507.3979 534 797 585 2100
Figure 160.28: Évolution de la favorabilité climatique au cours du XXIème siècle. Le point représente la médiane sur l’étendue de la métropole (i.e. tous les pixels de la carte) ; le trait gras représente 50 % des données intermédiaires (espace inter-quartile) ; le trait fin représente le reste des données du minimum au maximum.